将错误关系整合到提示中,以改进 LLM 对逻辑错误的分类
原文约300字/词,阅读约需1分钟。发表于: 。研究表明,使用对编程语法进行训练的 LLMs 可以有效地帮助开发人员,如生成编码问题示例或提供代码解释,此外,通过利用错误类型之间的关系,通过 LLMs 检测逻辑错误的方法比无关系描述的方法平均分类性能高约 21%,因此我们的研究可以帮助初学者程序员更有效地识别代码错误的原因并进行纠正,还可以为各种与编程相关的应用程序提供有用的基准数据集。
该论文介绍了一种利用大型语言模型(LLM)在调试C编译器中生成简单语言的增强型编译器错误解释的方法。通过专家评估,观察到LLM生成的编译器错误解释在90%的编译时错误和75%的运行时错误上概念上是准确的。新的DCC辅助工具已被学生广泛采用,初步评估显示使用LLMs来补充编译器输出以增强初学者编程教育的潜力。工具已作为开源软件提供给社区。